Usando IA para diseñar concreto de bajo carbono y curado más rápido para centros de datos

TL;DR

• Meta creó una herramienta de IA de código abierto para diseñar mezclas de concreto que equilibran resistencia, velocidad de curado y sostenibilidad.
• El sistema usa optimización bayesiana multicriterio con BoTorch y Ax para predecir curvas de resistencia y optimizar rendimiento a corto y largo plazo, así como el impacto ambiental.
• En colaboración con Amrize y la University of Illinois Urbana-Champaign (U of I), se desplegó concreto verde diseñado por IA en el data center de Rosemount, Minnesota, superando formulaciones de bajo carbono estándar en métricas clave.
• El objetivo es ampliar el uso de concreto de bajo carbono en data centers y la industria, manteniendo la colaboración con Amrize y abriendo el acceso al código.

Contexto y antecedentes

La producción de concreto es una fuente importante de emisiones de carbono incorporadas en la construcción de data centers y representa una parte relevante de las emisiones globales de CO2. Tradicionalmente, el diseño del concreto prioriza resistencia y costo, pero las construcciones modernas requieren también sostenibilidad, curado rápido, maniobrabilidad y acabados. La IA ofrece una vía para acelerar la innovación en formulaciones de concreto, permitiendo reemplazos por materiales más sostenibles e una integración más rápida en la cadena de suministro. La colaboración de Meta con Amrize, uno de los mayores fabricantes de cemento y proveedores de concreto, y la U of I dio lugar a un modelo de IA y un pipeline para descubrir mezclas que satisfacen criterios de desempeño tradicionales y también los de sostenibilidad. El trabajo ha avanzado desde la teoría hasta pruebas en laboratorio y validación en sitio, culminando en una implementación exitosa en Rosemount, MN. Diseñar formulaciones de concreto es un problema multiobjetivo: tipos y proporciones de cemento, materiales cementicios suplementarios (SCMs) de bajo carbono, relación agua/ligante, tipos de agregados y aditivos; la variabilidad de los SCMs depende de la procedencia y la estacionalidad, lo que exige pruebas largas y validaciones. Estos factores hacen que el diseño tradicional sea lento y costoso, subrayando la necesidad de un enfoque de aprendizaje eficiente. Esta iniciativa utiliza herramientas de código abierto para acelerar el descubrimiento y reducir riesgos, permitiendo una adopción más amplia de materiales sostenibles en proyectos de gran escala. El objetivo es ampliar el uso de concreto de bajo carbono en data centers e impulsar prácticas basadas en rendimiento con menor riesgo, promoviendo la colaboración con otros operadores e organizaciones para publicar diseños de referencia y buenas prácticas.

Novedades

El proyecto se centra en un modelo de IA para concreto sostenible que utiliza optimización bayesiana multicriterio a través de BoTorch y Ax para aprender y optimizar las composiciones. El modelo predice curvas de resistencia a la compresión para diferentes mezclas y optimiza conjuntamente la resistencia a corto y largo plazo con la sostenibilidad (proxy de la huella de carbono). Aspectos clave:

• Un modelo predictivo que asocia mezclas con curvas de resistencia a lo largo del tiempo, permitiendo evaluar desempeño inicial y futuro.
• Optimización multicriterio que equilibra desempeño y sostenibilidad, guiando el descubrimiento de formulaciones con menor impacto ambiental.
• Pipeline de IA iterativo: generar datos base, entrenar el modelo, proponer nuevas mezclas, validarlas en laboratorio y actualizar el modelo para iteraciones siguientes.
• Colaboración con Amrize para ampliar pruebas en planta cerca de Saint Paul, MN, aportando datos del mundo real para acelerar los ciclos de prueba.
• Enfoque en losas para centros de datos, donde la acababilidad y la manejabilidad son críticas; las formulaciones descubiertas por IA se probaron para verificar su trabajabilidad y acabado.
• Enfoque de código abierto para fomentar adopción amplia, con planes de ampliar casos y validar formulaciones en más proyectos y con más socios. En la práctica, la IA generó mezclas que superaron las formulaciones estándar de bajo carbono en resistencia, velocidad de curado y sostenibilidad tras solo dos iteraciones y ajustes humanos. La implementación en Rosemount demostró la viabilidad práctica de concretos verdes diseñados por IA en un entorno real de data center.

Por qué importa (impacto para desarrolladores/empresas)

Para centros de datos y grandes proyectos de construcción, reducir las emisiones de carbono incorporadas mientras se entrega concreto de alta calidad de forma rápida es una prioridad estratégica. Al combinar IA con herramientas de código abierto, Meta busca reducir fricciones para adoptar mezclas sostenibles, permitiendo que proveedores, contratistas y propietarios trabajen a partir de referencias compartidas y validadas. La iniciativa apoya objetivos de la industria más amplios: escalar el uso de concreto de bajo carbono en data centers, permitir requisitos basados en rendimiento con menor riesgo y fomentar la colaboración a lo largo de la cadena de suministro. Meta planea continuar colaborando con Amrize para ampliar el uso de IA en el diseño de concreto y publicar diseños de referencia, fórmulas guiadas por IA, casos de uso y buenas prácticas a través de foros y proyectos de la industria como iMasons y el Open Compute Project (OCP). Para desarrolladores y empresas, el proyecto demuestra cómo enfoques impulsados por IA pueden acelerar el descubrimiento de materiales, acortar ciclos de validación y generar formulaciones que cumplen criterios de sostenibilidad en evolución sin sacrificar el desempeño. El carácter de código abierto de la solución busca impulsar la comercialización, la aplicación y la I+D en el ecosistema de la construcción.

Detalles técnicos o Implementación

El sistema IA se apoya en optimización bayesiana multicriterio para aprender y optimizar composiciones de concreto. Componentes clave:

• Modelado predictivo de curvas de resistencia a la compresión para diversas mezclas, permitiendo evaluar desempeño a corto y largo plazo.
• Métricas de sostenibilidad (proxy) que estiman la huella de carbono por m³ de concreto.
• Stack abierto basado en BoTorch (optimización bayesiana) y Ax (experimentación adaptativa).
• Pipeline guiado por datos: datos de referencia, entrenamiento del modelo, propuestas de nuevas mezclas, validación en laboratorio y mejoras del modelo para iteraciones futuras.
• Validación práctica con cilindros de concreto en laboratorio y pruebas de losa a escala real. El proyecto distingue formulaciones adecuadas para losas de otras aplicaciones al incorporar restricciones específicas (relación agua/ligante y restricciones de volumen de materiales). En dos iteraciones, con ajustes humanos, la IA identificó formulaciones que superaron las fórmulas estándar de bajo carbono en resistencia, velocidad de curado y sostenibilidad, validadas por pruebas de losa. Rosemount confirmó la viabilidad de aplicar estos concretos sostenibles en un sitio real de data center. Desde el punto de vista de datos, el proyecto generó un conjunto significativo: más de cien mezclas únicas, datos completos de resistencia en días (x-day) y mediciones de GWP por m³. Estos datos sostienen el entrenamiento continuo del modelo y la difusión de los resultados en código abierto.

Tabla: métricas clave utilizadas en el diseño guiado por IA

| Métrica | Descripción | Por qué importa |---|---|---| | Curvas de resistencia a la compresión | Resistencia a lo largo del tiempo para cada mezcla | Determina integridad estructural a largo plazo y desempeño inicial |Resistencia a corto y largo plazo | Metas de 1, 3, 5 días y 28 días | Equilibra curado rápido con resistencia final |Velocidad de curado | Tiempo para alcanzar metas | Impacta plazos y reutilización de moldes |Huella de carbono (proxy GWP) | Proxy de la huella por m³ | Guía decisiones ambientales |Relación agua/ligante | Proporción que afecta trabajabilidad y durabilidad | Influye en resistencia y durabilidad |Uso de SCM | Proporciones de fly ash, escoria, etc. | Clave para bajar carbono | Los datos muestran que la procedencia de materiales y la estacionalidad de los SCM influyen en el rendimiento; la IA está diseñada para aprender continuamente de datos reales y actualizarse. El flujo de trabajo incluye generar datos base, entrenar el modelo, proponer nuevas hipótesis, validar en laboratorio y refinar el modelo para iteraciones futuras.

Conclusiones y conclusiones clave

• Las herramientas de código abierto (BoTorch y Ax) permiten optimización bayesiana multicriterio para diseño de concreto sostenible.
• El enfoque equilibra rendimiento y sostenibilidad, incluyendo la velocidad de curado y proxies de huella de carbono.
• Mezclas diseñadas por IA superaron formulaciones estándar de bajo carbono en resistencia, curado rápido y sostenibilidad tras pocas iteraciones.
• La colaboración con Amrize y la U of I aceleró la recopilación de datos y la validación práctica en Rosemount.
• El proyecto busca escalar el uso de concreto de bajo carbono en data centers y la industria, con difusión abierta y prácticas recomendadas.

Referencias

• https://engineering.fb.com/2025/07/16/data-center-engineering/ai-make-lower-carbon-faster-curing-concrete